← 返回 QuantGrowth 首页

除法指标归因：剔除法、加权分解与辛普森悖论

数据
数据数据指标

DAU 跌了 50 万，Delta 法一算就知道哪个渠道贡献大。但如果是留存率跌了 2 个百分点呢？分母（昨日用户数）和分子（今日回访用户数）同时在动，每个渠道的量也在动——直接做差，会把"量变了"和"率变了"搅在一起，算出一笔糊涂账。除法指标的归因，必须先解决这个结构性难题。

一、除法指标为什么不能直接做差

除法指标一般需要通过两个累加型指标相除得到。以全渠道留存率为例：

R = \frac{\sum_i \text{渠道}i\text{的次日留存用户数}}{\sum_i \text{渠道}i\text{的昨日用户数}}

分子分母都是加法指标，但商不是。整体留存率的波动可能来自三种力量的叠加：

  1. 各渠道自身的留存率变了（质量效应）；
  2. 各渠道的用户占比变了（结构效应）——低留存渠道放量，大盘留存自然被拉低；
  3. 两者交叉：占比和留存同时变化。

Delta 法只看差值，无法把这三股力量拆开。这就是剔除法和加权分解要解决的问题。

二、除法指标归因方法 1：剔除法

2.1 原理

把基线期和本期某个维度值的数据同时剔除掉，然后计算此时总体值的变化率——变化率越小，说明该元素对波动的贡献越大。

逻辑是反证式的：如果剔除渠道 A 后，大盘的异动基本消失（前后变化率很小），说明异动的"质量"就藏在渠道 A 里；如果剔除后大盘照样大跌，说明渠道 A 不是主因。

2.2 实例：次留下滑归因

我们来看一个完整案例：

  1. 发现某产品从 4 月 10 日之后次留数据开始下滑；
  2. 拆分不同渠道看留存走势，发现异常渠道 A 的走势与大盘走势类似（同样在 4 月 10 日后下滑）；
  3. 剔除渠道 A 后重新计算：4 月 10 日之后的次留数据与 4 月 10 日之前的变化率很小——渠道 A 的留存下跌就是根因。
    图片 1
    第 2 步值得注意：渠道 A 与大盘走势"类似"只是初步嫌疑，真正定罪的是第 3 步的反事实检验——去掉它，大盘就稳了。

2.3 局限

  • 一次只能验证一个嫌疑对象：渠道多时要反复剔除，效率低，且无法输出量化的贡献度排序；
  • 剔除改变了分母：去掉一个大渠道后，剩余渠道的权重被放大，小渠道的波动会被动显得更显眼，结论要谨慎复核；
  • 对结构效应无能为力：如果大盘留存跌是因为低留存渠道放量（每个渠道自身留存都没变），剔除任何单一渠道都解释不了。

第三点正是加权分解法的切入点。

三、除法指标归因方法 2：转化成加法指标

3.1 原理：加权分解

除法指标虽然不能像加法指标那样直接用差值计算，但可以转化为加法型来度量贡献值。全渠道留存率可以改写成加权平均：

R = \sum_i w_i \cdot r_i, \quad w_i = \frac{\text{渠道}i\text{用户数}}{\text{总用户数}}, \quad r_i = \text{渠道}i\text{留存率}

即：大盘留存 = 渠道占比 × 渠道留存 的求和（PPT 图示中"渠道2占比 × 渠道2留存"的加和）。于是整体变化可以拆成每个渠道的两部分贡献：

\Delta R = \sum_i \underbrace{\bar{r}_i \cdot \Delta w_i}_{\text{结构贡献（占比变化）}} + \underbrace{\bar{w}_i \cdot \Delta r_i}_{\text{质量贡献（留存变化）}}

其中交叉项 ​\Delta w_i \cdot \Delta r_i 按惯例均分或按权重分摊进两项（与 LMDI、Shapley 值处理交互项的思路一致）。单个渠道对大盘留存的贡献度为：

\text{Contribution}_i = \frac{\bar{r}_i \cdot \Delta w_i + \bar{w}_i \cdot \Delta r_i}{\Delta R}

这样每个渠道的贡献被拆成两笔账：占比动了多少，留存动了多少——"渠道 2 贡献了大盘留存的 -80%，其中 -60% 来自它自身留存下滑，-20% 来自它占比上升"这样可行动的结论就出来了。

3.2 与统计学的接轨

这个"加权平均的变化拆解"在统计学里有成熟对应：流行病学的标准化率（direct standardization）用标准人口结构消除构成比差异后再比较率，本质就是控制 ​w_i、只比较 ​r_i；经济学中的**结构分解分析（SDA）**则把产出变化拆为技术效应与结构效应，与本节公式同构。做除法指标归因时，永远记住两条线分开看：结构在动，还是质量在动。

四、辛普森悖论：分组全涨，大盘在跌

讲完方法，看一个足以让所有朴素归因翻车的案例。

4.1 现象

辛普森悖论：同一组数据，整体的趋势和分组后的趋势完全不同。

某小说应用，为了简化场景，假设充值用户无广告收入、广告用户无充值收入，人均收入数据如下：
截屏2026-08-29 23.29.30

复算验证：充值用户人均 1100/2000 = 0.55 → 400/700 ≈ 0.57，在涨；广告用户人均 100/400 = 0.25 → 700/1700 ≈ 0.41，也在涨；总人数不变（2400），整体人均却从 0.56 跌到 0.46。两类用户的人均收入都在上升，整体人均收入反而下降了 0.1。

4.2 机制：结构迁移吞掉了质量提升

用第三节的加权分解一看就透。整体人均收入 = 充值用户占比 × 充值人均 + 广告用户占比 × 广告人均：

  • 昨天：2000/2400 × 0.55 + 400/2400 × 0.25 = 0.458 + 0.042 ≈ 0.56
  • 今天：700/2400 × 0.57 + 1700/2400 × 0.41 = 0.166 + 0.290 ≈ 0.46

高价值充值用户占比从 83% 缩到 29%，低价值广告用户从 17% 涨到 71%。两群人各自的人均收入提升（质量效应为正），完全敌不过用户结构的剧烈劣化（结构效应为负）。

这正是辛普森悖论的本质：比率指标的"分组趋势"和"整体趋势"之间隔着一层结构权重，结构剧变时两者可以彻底反向。就本例而言，它甚至给出了比"归因"更重要的业务判断：人均收入下跌不是变现能力出了问题，而是产品的高价值用户在流失——该修的是用户结构，不是广告策略。

4.3 对归因工作的三点提醒

  1. 分组上涨 ≠ 没事。如果只看分渠道报表，两个分组都在改善，很容易误判"大盘下跌是数据错误"。看到分组与整体反向，第一反应应是查结构变化；
  2. 剔除法在辛普森悖论场景下会失灵。每个分组的率都在改善，剔除谁大盘都好不了——此时只有加权分解能给出正确答案；
  3. 汇报分组数据时必须同时汇报占比。只报"各渠道留存率均正常"而不报渠道结构变化，是在给决策者埋雷。

辛普森悖论的经典出处是 Blyth (1972) 的正式命名，最著名的案例是 1973 年 UC Berkeley 研究生录取数据：整体看男性录取率显著高于女性，按院系分组后大多数院系反而女性录取率更高——原因是女性更多申请了录取率低的院系。与本文的案例完全同构：结构（申请分布 / 用户构成）才是隐藏的第三变量。

五、小结

  • 除法指标分子分母同时在动，直接做差会把结构效应和质量效应搅在一起；
  • 剔除法是反证式定位：剔掉嫌疑元素看异动是否消失，简单有效，但一次只能验一个对象、且对结构效应无解；
  • **加权分解（转化成加法指标）**是正解：​R = \sum_i w_i r_i，把每个元素的贡献拆成"占比变化 + 率变化"两笔账，对应统计学的标准化率与结构分解分析；
  • 辛普森悖论是结构效应的极端形态——分组全涨、大盘反跌，它提醒我们：归因不只看率，更要看结构；分组数据正常，不代表大盘正常。

至此，加法指标（Delta、基尼）与除法指标（剔除、加权分解）的归因方法已齐。下一篇讲乘法指标——两边取对数，乘法变加法，同样回到 Delta 的世界。

参考资料

  1. Blyth, C. R. (1972). On Simpson's Paradox and the Sure-Thing Principle. Journal of the American Statistical Association, 67(338).
  2. Pearl, J. (2014). Understanding Simpson's Paradox. The American Statistician, 68(1).（因果视角的权威解读）
  3. Ang, B. W. (2005). The LMDI Approach to Decomposition Analysis: A Practical Guide. Energy Policy, 33(7).
  4. Mittal, S. et al. (2012). Adtributor: Revenue Debugging in Advertising Systems. KDD 2012.
  5. Fleiss, J. L. et al. (2003). Statistical Methods for Rates and Proportions.（标准化方法）